ParameteranpassungBezieht sich auf das Anpassen von Parametern, um bessere Ergebnisse zu erzielen, mit dem Ziel, ein besseres Modell zu erhalten: Beheben von Fehlern und Verbessern der Genauigkeit des Trainings neuronaler Netzwerke.

Die optimalen Parameter eines Modells hängen von vielen Szenarien ab. Bei der Modellbewertung und -auswahl müssen neben der Wahl des Algorithmus auch dessen Parameter festgelegt werden. Unter Parameteranpassung versteht man den Vorgang, die Parametereinstellung abzuschließen. Die derzeit gängige Praxis besteht darin, einen Bereich auszuwählen und den Schritt für den Parameter zu ändern, beispielsweise zwischen [0, 0,2] mit einer Schrittweite von 0,05. Auf diese Weise können 5 Kandidatenparameterwerte erhalten werden, und der Idealwert wird aus diesen 5 Kandidatenwerten erhalten. Obwohl der auf diese Weise erhaltene Parameterwert nicht der optimale Wert ist, kann er einen Kompromiss zwischen Rechenaufwand und Leistungsschätzung darstellen.

Implementierungsmethode für die Parameteranpassung

• Das Modell verfügt über mehrere anpassbare Parameter, wie z. B. den Kernelfunktionstyp in SVM, die Größe des C-Werts und die Tiefe des Entscheidungsbaums.
• Nachdem Sie Funktionen und Basismodelle ausgewählt haben, können Sie die Genauigkeit durch Anpassen der Modellparameter verbessern.
• Bei Modellen mit mehreren Parametern muss jeder Parameter einzeln getestet werden, wenn er unterschiedliche Werte hat.
• Zur Modellbewertung werden üblicherweise Kreuzvalidierungsmethoden verwendet, beispielsweise die K-Faltungsmethode, bei der der Trainingssatz in k gleiche Teile aufgeteilt wird und dann jedes Mal ein Teil aus 1-k als Testsatz und der Rest als Trainingssatz ausgewählt wird. Die trainierten Regeln werden zur Modellbewertung verwendet und schließlich wird die höchste Punktzahl unter den k Punktzahlen als Endpunktzahl genommen.

Normalerweise wird der Diskriminanzeffekt auf den Testsatz verwendet, um die Generalisierungsfähigkeit des Modells in der tatsächlichen Anwendung abzuschätzen. Die Trainingsdaten werden in Trainingsdaten und Validierungsdaten aufgeteilt und die Modellauswahl und Parameteranpassung erfolgt auf Grundlage der Leistung des Validierungsdatensatzes.

Quellen:

【1】https://cloud.tencent.com/developer/article/1099605

【2】https://www.jianshu.com/p/e6feaad5399e